<p>我可能无法回答您的所有问题,但我能做的是提供更多关于LSTM单元及其不同组成部分的信息。</p>
<p><a href="https://github.com/fchollet/keras/issues/3088" rel="noreferrer">This post on github</a>提出了一种在打印参数时查看参数名称的方法:</p>
<pre><code>model = Sequential()
model.add(LSTM(4,input_dim=5,input_length=N,return_sequences=True))
for e in zip(model.layers[0].trainable_weights, model.layers[0].get_weights()):
print('Param %s:\n%s' % (e[0],e[1]))
</code></pre>
<p>输出如下:</p>
<pre><code>Param lstm_3_W_i:
[[ 0.00069305, ...]]
Param lstm_3_U_i:
[[ 1.10000002, ...]]
Param lstm_3_b_i:
[ 0., ...]
Param lstm_3_W_c:
[[-1.38370085, ...]]
...
</code></pre>
<p>现在您可以找到关于这些不同权重的<a href="http://deeplearning.net/tutorial/lstm.html" rel="noreferrer">here</a>更多信息。
他们的名字有W,U,V和b,有不同的索引。</p>
<ul>
<li>W矩阵是将输入转换为其他一些内部值的矩阵。它们的形状是<code>[input_dim, output_dim]</code>。</li>
<li>U矩阵是将先前的隐藏状态转换为另一个内部值的矩阵。它们的形状是<code>[output_dim, output_dim]</code>。</li>
<li>b向量是每个块的偏移量。它们都有形状<code>[output_dim]</code></li>
<li>V仅用于输出门,它选择从新的内部状态输出哪些值。它有一个形状<code>[output_dim, output_dim]</code></li>
</ul>
<p>简而言之,你确实有4个不同的“块”(或内部层)。</p>
<ul>
<li><p>遗忘门:它根据先前的隐藏状态(h{t-1})和输入(x)决定从单元格的先前内部状态(C{t-1})中遗忘哪些值:</p>
<p>f_t=乙状结肠(W_f*x+U f*h{t-1}+b_f)</p>
<p>f_t是一个介于0和1之间的值向量,它将对从上一个单元格状态保留(=1)和忘记(=0)的内容进行编码。</p></li>
<li><p>输入门:它根据先前的隐藏状态(h{t-1})和输入(x)决定从输入(x)中使用哪些值:</p>
<p>i_t=乙状结肠(W_i*x+U i*h{t-1}+b_i)</p>
<p>i_t是一个0到1之间的值向量,它将对用于更新新单元格状态的值进行编码。</p></li>
<li><p>候选值:我们使用输入(x)和以前的隐藏状态(h{t-1}),构建新的候选值以更新内部单元格状态:</p>
<p>c t_t=tanh(W_c*x+U c*h{t-1}+b_c)</p>
<p>C t是一个向量,包含更新细胞状态的潜在值(C{t-1})。</p></li>
</ul>
<p>我们使用这三个值来构建一个新的内部单元状态(C_t):</p>
<p>C_t=f_t*C{t-1}+i_t*Ct_t</p>
<p>如您所见,新的内部单元状态由两个部分组成:我们没有忘记上一个状态的部分,以及我们希望从输入中学习的内容。</p>
<ul>
<li><p>输出门:我们不想输出单元状态,因为它可能被看作是我们想要输出的内容的抽象(h_t)。因此,我们构建了h_t,这个步骤的输出基于我们拥有的所有信息:</p>
<p>h_t=W_o*x+U o*h{t-1}+V_o*C_t+b_o</p></li>
</ul>
<p>我希望这能澄清LSTM单元是如何工作的。我邀请您阅读关于LSTM的教程,因为它们使用了很好的模式、一步一步的示例等等。这是一个相对复杂的层。</p>
<p>关于您的问题,我现在知道如何跟踪输入中用于修改状态的内容。您最终可以看到不同的W矩阵,因为它们是处理输入的矩阵。W_c将提供有关可能用于更新单元状态的信息。你可能会给你一些关于什么是用来产生输出的信息。。。但所有这些都是相对于其他权重的,因为先前的状态也有影响。</p>
<p>然而,如果你在wuc中看到一些很强的权值,这可能并不意味着什么,因为输入门(i_t)可能会完全关闭,并参与细胞状态的更新。。。它是复杂的,追溯神经网络中发生的事情的数学领域是非常复杂的。</p>
<p>神经网络对于大多数情况来说都是黑匣子。你可以在小册子里找到一些从输出到输入追溯信息的例子,但这是我读过的非常特殊的例子。</p>
<p>我希望这有帮助:-)</p>